論文の概要: SoK: Security of the Image Processing Pipeline in Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2409.01234v1
- Date: Mon, 2 Sep 2024 13:10:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 06:47:21.040769
- Title: SoK: Security of the Image Processing Pipeline in Autonomous Vehicles
- Title（参考訳）: SoK: 自動運転車の画像処理パイプラインのセキュリティ
- Authors: Michael Kühr, Mohammad Hamad, Pedram MohajerAnsari, Mert D. Pesé, Sebastian Steinhorst,
- Abstract要約: 自動運転車の画像処理パイプラインのセキュリティと堅牢性の研究を組み合わせる。
自動車セキュリティ標準ISO 21434を用いて攻撃リスクを分類する。
すべての層にまたがる様々なパラメータに影響を与えることができる組込みテストベッドを提示する。
- 参考スコア（独自算出の注目度）: 1.648591296466459
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cameras are crucial sensors for autonomous vehicles. They capture images that are essential for many safety-critical tasks, including perception. To process these images, a complex pipeline with multiple layers is used. Security attacks on this pipeline can severely affect passenger safety and system performance. However, many attacks overlook different layers of the pipeline, and their feasibility and impact vary. While there has been research to improve the quality and robustness of the image processing pipeline, these efforts often work in parallel with security research, without much awareness of their potential synergy. In this work, we aim to bridge this gap by combining security and robustness research for the image processing pipeline in autonomous vehicles. We classify the risk of attacks using the automotive security standard ISO 21434, emphasizing the need to consider all layers for overall system security. We also demonstrate how existing robustness research can help mitigate the impact of attacks, addressing the current research gap. Finally, we present an embedded testbed that can influence various parameters across all layers, allowing researchers to analyze the effects of different defense strategies and attack impacts. We demonstrate the importance of such a test environment through a use-case analysis and show how blinding attacks can be mitigated using HDR imaging as an example of robustness-related research.
- Abstract（参考訳）: カメラは自動運転車にとって重要なセンサーだ。
それらは、知覚を含む多くの安全クリティカルなタスクに不可欠な画像をキャプチャする。
これらのイメージを処理するには、複数のレイヤを持つ複雑なパイプラインを使用する。
このパイプラインに対するセキュリティ攻撃は、乗客の安全とシステムパフォーマンスに深刻な影響を及ぼす可能性がある。
しかし、多くの攻撃はパイプラインの異なるレイヤを見落としており、その実現可能性と影響は様々である。
画像処理パイプラインの品質と堅牢性を改善する研究は行われているが、これらの取り組みは、その潜在的な相乗効果を意識せずに、しばしばセキュリティ研究と並行して機能する。
本研究では,自律走行車における画像処理パイプラインのセキュリティとロバスト性の研究を組み合わせることで,このギャップを埋めることを目的とする。
我々は,自動車セキュリティ標準ISO 21434による攻撃のリスクを分類し,システムセキュリティ全体のすべてのレイヤを検討する必要性を強調した。
我々はまた、既存の堅牢性の研究が、現在の研究ギャップに対処して、攻撃の影響を軽減するのにどのように役立つかを実証する。
最後に、各層にまたがる様々なパラメータに影響を及ぼすことができる組込みテストベッドを提案し、研究者は異なる防御戦略の効果と攻撃効果を分析できる。
ユースケース分析により,このようなテスト環境の重要性を実証し,強靭性に関する研究の一例として,HDR画像を用いて視覚障害を緩和する方法を示す。
関連論文リスト
- Achieving the Safety and Security of the End-to-End AV Pipeline [9.714684348295707]
本稿では,自律走行車(AV)の安全性とセキュリティ研究の現状について詳しく述べる。
我々は,AV監視,センサシステムの信頼性,AVスタックのセキュリティ,アルゴリズム的堅牢性,安全な環境相互作用など,この研究領域に関する主要な研究課題のセクションを提供する。
それぞれの節の結論として,結論が付かない今後の研究課題を提案する。
論文 参考訳（メタデータ） (2024-09-05T20:14:22Z) - Modeling Electromagnetic Signal Injection Attacks on Camera-based Smart Systems: Applications and Mitigation [18.909937495767313]
電磁波は安全またはセキュリティクリティカルなシステムに脅威をもたらす。
このような攻撃により、攻撃者はリモートで画像を操作でき、誤ったAI判断につながる。
本研究は,攻撃に対する堅牢性を向上させるための対人訓練に関するパイロット研究である。
論文 参考訳（メタデータ） (2024-08-09T15:33:28Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - The Last Decade in Review: Tracing the Evolution of Safety Assurance
Cases through a Comprehensive Bibliometric Analysis [7.431812376079826]
安全保証は、自動車、航空宇宙、原子力など、様々な分野において最重要事項である。
安全保証ケースを使用することで、生成されたシステム機能の正しさを検証することができ、システム障害を防止することができる。
論文 参考訳（メタデータ） (2023-11-13T17:34:23Z) - Securing Visually-Aware Recommender Systems: An Adversarial Image
Reconstruction and Detection Framework [41.680028677031316]
ビジュアル・アウェア・レコメンデーション・システム(VARS)はアイテム・イメージの敵攻撃に対して脆弱である。
本稿では,VARSをセキュアにするための逆画像再構成・検出フレームワークを提案する。
提案手法は,(1)グローバル・ビジョン・トランスフォーマーに基づく画像再構成による局所摂動を特徴とする敵攻撃からVARSを保護し,(2)新しいコントラッシブ・ラーニング・アプローチを用いて敵の事例を正確に検出する。
論文 参考訳（メタデータ） (2023-06-11T19:59:35Z) - Self-supervised Interest Point Detection and Description for Fisheye and
Perspective Images [7.451395029642832]
キーポイント検出とマッチングは多くのコンピュータビジョンにおける基本的な課題である。
本研究では,画像取得に使用されるカメラの形状が原因で発生する場合に焦点をあてる。
我々は最先端のアプローチを構築し、関心点検出器と記述子ネットワークのトレーニングを可能にする自己監督的な手順を導出する。
論文 参考訳（メタデータ） (2023-06-02T22:39:33Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Physical Adversarial Attack meets Computer Vision: A Decade Survey [55.38113802311365]
本稿では,身体的敵意攻撃の概要を概観する。
本研究は,身体的敵意攻撃の性能を体系的に評価する第一歩を踏み出した。
提案する評価基準であるhiPAAは6つの視点から構成される。
論文 参考訳（メタデータ） (2022-09-30T01:59:53Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z) - Deep Image Destruction: A Comprehensive Study on Vulnerability of Deep
Image-to-Image Models against Adversarial Attacks [104.8737334237993]
本稿では,敵対的攻撃に対する深部画像対画像モデルの脆弱性に関する包括的調査を行う。
一般的な5つの画像処理タスクでは、さまざまな観点から16の深いモデルが分析される。
画像分類タスクとは異なり、画像間タスクの性能劣化は様々な要因によって大きく異なることが示される。
論文 参考訳（メタデータ） (2021-04-30T14:20:33Z) - Exploring Adversarial Robustness of Multi-Sensor Perception Systems in
Self Driving [87.3492357041748]
本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。
実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。
よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
論文 参考訳（メタデータ） (2021-01-17T21:15:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。